周成诚，曾庆军，杨 康，胡家铭，韩春伟

（1.江苏科技大学计算机学院，江苏 镇江 212003；2.江苏科技大学自动化学院，江苏 镇江 212003；3.北京邮电大学集成电路学院，北京 100876）

0 引 言

大脑是人体的中枢神经系统和活动控制中心，人们依靠大脑活动来控制身体对外界刺激做出相应的反应。脑-机接口（Brain-Computer Interface，BCI）为大脑与外部设备之间的通信建立了一个新的通信渠道，它通过对脑电信号的采集和分析来解码用户的运动意图，从而完成大脑与外部控制设备进行交互［1-3］。目前，BCI的研究热点之一是运动想象脑电信号（Motor Imagination-Electroencephalogram，MI-EEG），它可以完成操纵双臂机器人、控制无人机，也被广泛应用于康复训练领域，其根本原因在于通过“解码”MI-EEG来感知因中风导致手部瘫痪的患者的手部运动意图［4-6］。因此，许多解码脑电信号的机器学习方法被研究者提出来，包括自回归模型［7］、共空间模式［8］（Common Spatial Patterns，CSP）、滤波器组共空间模式［9］（Filter Bank Common Spatial Patterns，FBCSP）的特征提取方法以及线性判别分析［10］（Linear Discriminant Analysis，LDA）、支持向量机［11］（Support Vector Machines，SVM）、贝叶斯线性回归［12］的分类方法。

大量研究表明，虽然传统的特征提取和分类方法相对成熟，但是面对复杂的脑电图信号识别分类问题仍存在一些缺陷。近年来，深度学习的发展为语音识别、计算机视觉、自然语言处理等领域提供了一种重要的技术，并表现出相当出色的性能［13-15］。因此，许多研究者也开始研究基于卷积神经网络（Convolutional Neural Network，CNN）的脑电图信号分类识别，并获得了相当不错的分类效果。文献［16］为突出各个通道之间以及每个通道内的特征，提出了一种结合条件经验模式分解和串并行卷积神经网络的脑电信号识别方法，在自行采集和公共数据集上的平均识别率分别达到94.58%和82.13%；……